Event-Level Probabilistic Prediction of Extreme Rainfall over India Using Physics-Gated Latent Dynamics

ملخص تقني: التنبؤ الاحتمالي على مستوى الحدث لهطول الأمطار المتطرفة فوق الهند باستخدام الديناميكيات الكامنة الموجهة بالفيزياء

بيان المشكلة
لا يزال التنبؤ بهطول الأمطار اليومي المتطرف فوق منطقة الموسم الصيفي الهندي (ISM) يمثل تحدياً حرجاً للتخفيف من آثار الكوارث. وبينما توفر الفيزياء الجوية واسعة النطاق سياقاً أساسياً، فإن التنبؤ الحتمي بالظواهر المتطرفة المحلية يعوقه الاستمرار الزمني القوي، والتحفيز الحملي العشوائي، والتفاعلات متعددة المقاييس بين القوى السينوبتيكية والديناميكيات متوسطة النطاق. وتواجه نماذج التنبؤ العددي بالطقس (NWP) القياسية صعوبة في تحديد التوقيت والكثافة الدقيقين لهذه الأحداث بسبب عدم اليقين في المعلمات (parameterization). علاوة على ذلك، فإن تقييم النماذج التنبؤية عند المقاييس الزمنية اليومية يزداد تعقيداً بسبب مشكلة "العقوبة المزدوجة" (double-penalty)، حيث تعاقب المقاييس الحتمية القياسية (مثل RMSE) النماذج بشكل غير عادل بسبب الإزاحات المكانية والزمانية الطفيفة للأحداث عالية الكثافة. بالإضافة إلى ذلك، غالباً ما تتفوق توقعات الاستمرارية (persistence forecasts) الساذجة على النماذج المعقدة في التحقق من النقاط (pixel-wise verification) نظراً للذاكرة الزمنية القوية للأنظمة واسعة النطاق.

المنهجية
تقترح الدراسة إطار عمل جديداً يسمى الديناميكيات الكامنة ذات المعادلات التفاضلية العادية الموجهة بالفيزياء (PG-LODE) لمعالجة هذه القيود، وذلك بمقارنته بنموذج مرجعي من نوع ConvLSTM التكيفي.

• البيانات: يستخدم النموذج متغيرات إعادة التحليل ERA5 (إجمالي محتوى عمود بخار الماء، CAPE، السرعة الرأسية عند 50 500 هكتوباسكال، رياح 850 هكتوباسكال، والضغط السطحي) كمتنبئات، وبيانات هطول الأمطار الشبكية عالية الدقة من IMD كأهداف لمواسم JJAS (يونيو–سبتمبر) للفترة من 2000 إلى 2020.
• تعريف الظواهر المتطرفة: تُعرف الأحداث المتطرفة محلياً بأنها هطول أمطار يتجاوز المئوي الخامس والتسعين (95th percentile) للمناخ المحلي لفترة JJAS.
• النموذج المرجعي (ConvLSTM): يقوم نموذج ConvLSTM قياسي بنمذجة التطور الزمني عبر تحديثات زمنية منفصلة. ويشير المؤلفون إلى أن هذه الصيغة تفترض ضمناً ديناميكيات زمنية موحدة، مما يجبر عملية التكثف الحملي السريع على الانضغاط داخل خطوات تحديث واحدة، مما يؤدي غالإلى توقعات متحفظة ترجع نحو المتوسط المناخي.
• النموذج المقترح (PG-LODE):
  • الديناميكيات الكامنة المستمرة زمنياً: على عكس التحديثات المنفصلة لـ ConvLSTM، يقوم PG-LODE بنمذجة تطور الحالة الجوية كمسار مستمر زمنياً في فضاء كامن متعلم باستخدام Neural ODE.
  • آلية البوابة الفيزيائية: الابتكار الجوهري هو دالة البوابة، $G(X_{phys})$، التي تعدل صراحةً معدل التطور الكامن بناءً على مؤشرات فيزيائية ذات مغزى لعدم الاستقرار الجوي (تحديداً CAPE والسرعة الرأسية في منتصف طبقة التروپوسف $\omega_{500}$).
  • الديناميكيات: يتم التحكم في التطور عبر المعادلة $\frac{dz(t)}{dt} = f_\theta(z(t), t) \odot G(X_{phys})$. في الظروف الهادئة، تظل البوابة قريبة من الواحد، مما ينتج عنه ديناميكيات شبه عطالية. وفي ظروف عدم الاستقرار الحملي، تنشط البوابة ($G > 1$)، مما يسرع التطور الكامن ليعكس التحولات السريعة في الحالة المرتبطة ببدء الحمل الحراري.
  • دالة الخسارة: يتم استخدام دالة خسارة موزونة للظواهر المتطرفة تعاقب التقليل من تقدير الأحداث المتطرفة (حيث يكون هطول الأمطار $\ge P_{95}$) بشكل أكبر من الأخطاء القياسية.
• استراتيجية التقييم: للتخفيف من مشكلة العقوبة المزدوجة، تستخدم الدراسة استراتيجية تحقق ثنائية المستويات:
  1. على مستوى النقطة (Pixel-Level): مقاييس فئوية قياسية (POD, FAR, CSI) عند الدقة الأصلية.
  2. على مستوى الحدث (المعتمد على البلاطات - Tile-Based): يتم تقسيم النطاق إلى بلاطات بمقاس $32 \times 32$ بكسل. تُعتبر البلاطة "إصابة" (hit) إذا توقع النموذج احتمالية تجاوز $> 0.5$ وكان أقصى هطول للأمطار الملحوظ في البلاطة يتجاوز عتبة $P_{95}$.

النتائج الرئيسية

• الأداء على مستوى النقطة: يعاني كلا النموذجين في التحقق الحتمي على مستوى النقطة، حيث يتفوق نموذج الاستمرارية المرجعي على كل من ConvLSTM و PG-LODE في مؤشر النجاح الحرج (CSI). وهذا يؤكد أنه عند مدد زمنية يومية، يهيمن الاستمرار واسع النطاق على المهارة على مستوى النقطة بدلاً من التحديد المكاني الدقيق لبدء الحمل الحراري. يظهر PG-LODE تحسناً في الكشف مقارنة بـ ConvLSTM، لكنه لا يزال يعاني من عقوبات الإزاحة المكانية.
• الأداء على مستوى الحدث (المعتمد على البلاطات): يظهر انفصال واضح في الأداء عند تقييم كشف المخاطر بدلاً من التحديد المكاني الدقيق:
  • ConvLSTM: يظل متحفظاً للغاية، حيث يكشف فقط عن 27% من الأحداث المتطرفة (TILE-POD $\approx 0.27$) مع نسبة إنذار كاذب منخفضة جداً (TILE-FAR $\approx 0.019$).
  • PG-LODE: يحقق كشفاً شبه كامل للأحداث المتطرفة (TILE-POD $\approx 0.996$) مع نسبة إنذار كاذب متوسطة (TILE-FAR $\approx 0.215$).
  • درجة المهارة: وبناءً على ذلك، يحقق PG-LODE مهارة أعلى بكثير على مستوى الحدث (TILE-CSI $\approx 0.78$) مقارنة بكل من ConvLSTM (0.269) ونموذج الاستمرارية المرجعي (0.495).
• دراسات الحالة: يظهر التحليل البصري لأحداث محددة (مثل 4 يونيو 2000) أنه بينما يفشل ConvLSTM في الانحراف عن المتوسط المناخي أثناء ذروة الأحداث، ينجح PG-LODE في التقاط التكثف السريع المدفوع بتنشيط البوابة الفيزيائية.

الأهمية والادعاءات
يدعي البحث أن المساهمة الرئيسية لـ PG-LODE ليست التنبؤ الحتمي بمواقع هطول الأمطار الدقيقة، بل هي التحويل الفعال للقابلية للتنبؤ الجوي واسعة النطاق إلى تقييمات احتمالية موثوقة لمخاطر هطول الأمطار المتطرفة.

ويجادل المؤلفون بأن إعادة صياغة المشكلة من التحديد المكاني الدقيق إلى الكشف الاحتمالي على مستوى الحدث، تجعل الديناميكيات الكامنة المستمرة الموجهة بالفيزياء وسيلة متفوقة لكشف المخاطر المتعلقة بالموسم. تسمح البوابة الفيزيائية للنموذج بالبقاء عطالياً خلال الظروف المستقرة، مع التكيف السريع مع الأنظمة غير المستقرة حملياً، مما يربط الديناميكيات المتعلمة بالسلوك الفيزيائي المعروف لنظام الموسم. ينجح هذا النهج في التغلب على التحفظ الذي تعاني منه البنى المتكررة المعتمدة على البيانات فقط، مما يوفر أداة أفضل لأنظمة الإنذار المبكر حيث يكون تفويت حدث متطرف أكثر تكلفة من الإنذار الكاذب.

القيود
يقر المؤلفون بأن PG-LODE هو نموذج موجه بالفيزياء وليس مقيداً بها؛ فهو لا يحل عمليات الحمل الحراري صراحة أو يفرض قوانين الحفظ، مما يحد من قدرته على التنبؤ الحتمي على مستوى النقطة. كما تشير الدراسة إلى أن التجارب أجريت على نطاق نموذج صغير لضمان مقارنة عادلة، وأن تعميم النطاق والمعايرة الاحتمالية هي أعمال مستقبلية.